BGE M3
Réseau Neuronal
BGE M3 API est un modèle d'embeddings qui encode phrases, paragraphes et longs documents en vecteurs de dimension 1024.
Caractéristiques
- Entrée
- texte
- Sortie
- vecteurs (embeddings)
- Taille du contexte
- 8 194 tokens
- Dimensions du vecteur
- 1 024
Coût du prompt
(par 1M tokens)
Comment ça marche BGE M3?
BGE M3 est un modèle d'embeddings qui convertit phrases, paragraphes et longs documents en vecteurs denses de dimension 1024, conçu pour la recherche multilingue et les contextes étendus. Les vecteurs sont comparés par similarité cosinus, servant de base à la recherche, au classement et à la classification. Sur BotHub, le modèle BGE M3 est accessible via une API compatible OpenAI unique, sans VPN ni carte étrangère, avec paiement à l'usage par jetons et chiffrement des requêtes. Cela permet d'implémenter la recherche sémantique sur base de connaissances, le RAG via Qdrant ou pgvector, la classification de tickets, la déduplication de fiches et la recherche de documents similaires dans les archives d'entreprise.Questions fréquentes sur BGE M3
Vous pouvez utiliser les résultats générés à des fins commerciales. Tous les droits sur le contenu créé vous appartiennent. Seule restriction : vérifiez que la requête ne contient pas de contenus protégés par le droit d'auteur appartenant à des tiers. Le respect des droits sur les données d'entrée relève de votre responsabilité.
BGE M3 de BAAI est un modèle d'embeddings : il transforme le texte en vecteurs numériques pour la recherche sémantique, le RAG, la classification, la déduplication et le classement de documents. Idéal pour la recherche par sens plutôt que par correspondance exacte de mots, et pour construire une base de connaissances sur vos données.
Il ne génère pas de texte, mais un vecteur de dimension fixe : un tableau de nombres dans la réponse JSON de l'API. Ces vecteurs sont stockés dans Qdrant, pgvector ou un autre stockage vectoriel et comparés par similarité cosinus. Le contexte du modèle est de 8192 jetons par requête.
Le mode de raisonnement n'est pas applicable ici, et n'est pas requis pour les embeddings : le modèle encode le sens du texte en un vecteur en un seul passage. La logique est gérée par votre pipeline, par exemple via un modèle génératif auquel vous transmettez les fragments trouvés.
L'appel de fonctions et la sortie structurée ne sont pas applicables ici, ce sont des outils pour modèles génératifs. Cependant, la réponse API est en JSON : un tableau de nombres pour chaque fragment transmis, facile à traiter. Pour le 'function calling', utilisez un modèle textuel via la même API.
L'acceptation de fichiers autres que du texte n'est pas prévue : vous transmettez une chaîne ou un tableau de chaînes dans la limite de 8192 jetons. Pour des images ou de l'audio, passez à un modèle multimodal — l'API BotHub compatible OpenAI permet de le faire sans réécrire l'intégration.
Le multilinguisme est au cœur de ce modèle BAAI : il est conçu pour traiter des textes dans diverses langues, et les scénarios de recherche et RAG en russe sont régulièrement mis en œuvre. Vérifiez la qualité finale sur vos propres données : testez un échantillon de requêtes et comparez les résultats.